它结合前向传播和反向传播，通过链式求导计算每个权重和偏置的梯度，并更新这些参数以最小化损失函数。：BP 算法是深度学习的基础，通过前向传播和反向传播实现参数的自动优化，适用于多种类型的神经网络。需要关注的是，当进行循环反向传播时，优化器中的梯度会不断的叠加，所以需要对梯度进行清空。：优化算法选择需视任务和模型而定，SGD 适合小数据集，Adam 是通用选择。：正则化是深度学习防止过拟合的重要工具，

1.1 定义函数f 是从一个集合 D（称为定义域，D包含于实数集R）到另一个集合 Y（称为值域）的映射。对于定义域中的每一个元素 x，函数f都指定了一个唯一的元素 y 在值域中，记作其中x叫做自变量，y叫做因变量，f叫做映射规则，f(x)表示一个函数值。函数的两要素是指函数的定义域和值域。定义域是函数中所有可能的输入值的集合。换句话说，定义域是使得函数有意义的所有 xx 值的集合。值域是函数中所有

是一个非常流行的 Python 库，专门用于人脸识别任务。它基于 dlib 库和 HOG（Histogram of Oriented Gradients）特征以及深度学习模型，提供了简单易用的接口来进行人脸检测、面部特征点定位和人脸识别。库由 Adam Geitgey 开发，旨在简化人脸识别任务，使其更加容易上手。主要功能人脸检测检测图像中的人脸位置。支持使用 HOG 特征或 CNN（卷积神经网络

​本项目主要是使用yolov5对车牌目标进行定位，再使用paddleocr对目标框内的图像进行文字识别。​本项目是一个基于yolov5的车牌定位与识别系统，旨在通过深度学习技术实现对车牌的快速定位和准确识别。项目采用yolov5n作为训练框架，专门针对车牌目标进行检测。通过训练，模型能够识别车牌是否存在，并确定其位置。随后，系统会根据车牌位置切割图片，并使用裁剪后的图片进行OCR文字识别。项目中主

​基于CNN实现扑克牌花色的小颗粒度分类​该项目旨在通过卷积神经网络（CNN）实现扑克的小颗粒度分类，主要针对扑克的不同花色进行细粒度的视觉识别与分类。花色种类繁多，且差异较小，因此传统的图像分类方法难以满足精确识别的需求。通过引入深度学习中的CNN模型，本项目将构建一个专门用于扑克花色的小颗粒度分类的网络架构，充分利用卷积层的局部特征提取能力以及深层网络的高阶特征融合能力。项目将包括数据预处理、

内存分配：内存分配原理与改变拷贝类型的元素结果类似，在函数体中无声明的修改不可变值类似于numbers或者tuple这种，不会对原数据造成影响，只在函数作用域内生效，退出函数则删除指针。换行书写函数内部定义，在函数内部定义操作，最后函数自带返回，无定义返回值返回为None，有定义则返回为定义的返回表达式输出的值。返回值：在函数体内始终自带一个return，可以不定义，不定义输出None，可以定义，

它结合前向传播和反向传播，通过链式求导计算每个权重和偏置的梯度，并更新这些参数以最小化损失函数。：BP 算法是深度学习的基础，通过前向传播和反向传播实现参数的自动优化，适用于多种类型的神经网络。需要关注的是，当进行循环反向传播时，优化器中的梯度会不断的叠加，所以需要对梯度进行清空。：优化算法选择需视任务和模型而定，SGD 适合小数据集，Adam 是通用选择。：正则化是深度学习防止过拟合的重要工具，

是一个非常流行的 Python 库，专门用于人脸识别任务。它基于 dlib 库和 HOG（Histogram of Oriented Gradients）特征以及深度学习模型，提供了简单易用的接口来进行人脸检测、面部特征点定位和人脸识别。库由 Adam Geitgey 开发，旨在简化人脸识别任务，使其更加容易上手。主要功能人脸检测检测图像中的人脸位置。支持使用 HOG 特征或 CNN（卷积神经网络

​本项目主要是使用yolov5对车牌目标进行定位，再使用paddleocr对目标框内的图像进行文字识别。​本项目是一个基于yolov5的车牌定位与识别系统，旨在通过深度学习技术实现对车牌的快速定位和准确识别。项目采用yolov5n作为训练框架，专门针对车牌目标进行检测。通过训练，模型能够识别车牌是否存在，并确定其位置。随后，系统会根据车牌位置切割图片，并使用裁剪后的图片进行OCR文字识别。项目中主

1.1 定义函数f 是从一个集合 D（称为定义域，D包含于实数集R）到另一个集合 Y（称为值域）的映射。对于定义域中的每一个元素 x，函数f都指定了一个唯一的元素 y 在值域中，记作其中x叫做自变量，y叫做因变量，f叫做映射规则，f(x)表示一个函数值。函数的两要素是指函数的定义域和值域。定义域是函数中所有可能的输入值的集合。换句话说，定义域是使得函数有意义的所有 xx 值的集合。值域是函数中所有